Increasing Active Transportation Through E-Bike Use: Pilot Study Comparing the Health Benefits, Attitudes, and Beliefs Surrounding E-Bikes and Conventional Bikes
Notice bibliographique
Résumé
BACKGROUND: The emergence of electric pedal-assist bicycles (e-bikes) presents an opportunity to increase active transportation by minimizing personal barriers of engaging in physical activity. OBJECTIVES: The aim of this study was to assess the beliefs of individuals using e-bikes for active transport and report preliminary biometric measurements while using e-bikes for physical activity compared with conventional bikes. METHODS: Participants used both conventional bicycles and e-bikes to compare energy expenditure while riding on the study route. Apple smart watches were used to track each participant's heart rate, distance, speed, and time while riding both bicycles. A total of 3 survey instruments were used to estimate beliefs: one administered before riding the bicycles, a second administered after riding a conventional bike, and the final survey completed after riding an e-bike. Survey instruments were constructed using constructs from the theory of planned behavior. RESULTS: The study sample (N=33) included adults aged between 19 and 28 years. Paired t test analysis revealed that participants believed a conventional bike was more likely than an e-bike to benefit their physical health (P=.002) and save them money (P=.005), while an e-bike was perceived to be more likely than a conventional bike to save them time (P<.001). Paired t test analysis revealed participants significantly agreed more with the statement that they could ride an e-bike most days (P=.006) compared with a conventional bike. After participants traveled approximately 10 miles on each type of bicycle, participants' mean average heart rate while riding the e-bike was 6.21 beats per minute lower than when riding the conventional bike (P=.04), but both were significantly higher than resting heart rate (P<.001). CONCLUSIONS: This pilot study suggests that e-bikes are an active form of transportation capable of providing much of the cardiovascular health benefits obtained during conventional bike use. E-bikes may help reduce some of the obstacles to conventional bike use, such as increased transportation time, decreased convenience, and physical fatigue.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».